一种基于交替融合的锂离子电池剩余寿命预测方法

本发明涉及电池，尤其涉及一种基于交替融合的锂离子电池剩余寿命预测方法。

背景技术：

1、近年来，以锂离子电池为代表的电化学储能成为了工业界和学术界研究的热点。锂离子电池具有比能量高、循环寿命长、使用方便等优点，被广泛应用到新型电力系统中的移动和固定储能装置中。随着锂电近年来在储能和新能源汽车上装机量的迅猛增加，社会对锂离子电池的循环利用提出了更高的要求。电池剩余寿命是锂离子电池的重要指标，它反映出锂离子电池在寿命终止之前剩余的完整充放电循环次数，对电池的剩余寿命进行准确预测，既能提高电池的可靠性和使用性能，也可为电池系统的退役、梯度利用和绿色拆解和回收提供依据。为避免锂离子电池使用过程中发生安全事故，实时查看锂离子电池是否寿命终止，必须对锂离子电池的剩余寿命进行精准预测，但当前预测的方法普遍存在精度不高，模式过于复杂等问题。因此，对锂离子电池剩余寿命的进行精准分析和预测，已经业界重点关注问题。

技术实现思路

1、本发明的目的是提供一种基于交替融合的锂离子电池剩余寿命预测方法，以至少解决现有技术中锂离子电池剩余寿命预测精度不高的问题。

2、本发明提供一种基于交替融合的锂离子电池剩余寿命预测方法，包括如下步骤：

3、s1、对锂离子电池充放电循环测试数据进行采集和归一化处理，建立易于收敛的锂离子电池预测模型；

4、s2、建立锂离子电池预测模型适应的核函数，对于线性情况采用简单的线性函数方式描述；对非线性情况，通过交叉空间进行计算；

5、s3、将数据集分为训练集与测试集，关键参数优化；

6、s4、建立评价体系定量评估模型的预测能力。

7、进一步的，所述关键参数优化，为采用交叉、梯度和融合预测算法进行交替融合关键参数。

8、进一步的，所述测试数据为n个锂离子电池的充放电循环测试数据，n≥1。

9、进一步的，所述归一化处理，采用下述方式：

10、y'＝lower+(upper-lower)*(y-min)/(max-min)   (0-4)

11、其中lower是归一化的下限，upper是归一化的上线，max是该组数据的最大值，min是该组数据的最小值。

12、进一步的，所述的核函数，对于线性情况，电池数据超平面采用线性函数的方式来描述；

13、所述的线性核函数

14、y＝u·v   (0-5)

15、非线性情况，选择先在输入空间，即低维空间中计算，然后通过一个非线性核函数将低维空间映射到高维特征空间，最终在高维特征空间中构造出超平面，把输入空间中不易分的非线性数据分开；

16、所述的非线性核函数包括

17、y＝(r·uv+coef0)degree

18、

19、y＝tanh(r·uv+coef0)

20、其中coef0为多项式核函数和sigmoid核函数的参数。

21、进一步的，所述适应的核函数，通过模型预测情况选择合适的核函数。

22、进一步的，所述关键参数，包括ac和bc；

23、ac是容差系数，即对误差的宽容程度，代表模型复杂度和泛化能力的取舍，ac越高，代表误差容忍度越小，越容易过拟合；ac越小，越容易导致欠拟合；

24、bc是核函数特有参量，影响每个支持向量对应高斯分布的作用范围，其隐含地决定数据映射到新的特征空间后的分布；bc值越大，数据集高斯分布的方差越小，对未知样本分类的效果变差，易出现过拟合；bc值越小，支持向量越多，导致模型训练效果变差，拟合效果变差。

25、进一步的，所述关键参数优化，即对ac和bc值进行参数寻优，在两种以上的初始数据进行分组，一部分作为测试集，另一部分作为验证集；先用测试集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标；通过将初始数据分成k组，将每组数据分别做一次验证集，其余的k-1组数据作为训练集，得到k个模型，分别对每个模型求得最终的验证集的分类准确率，再求各分类准确率的平均值，平均值达到最小时得到最优解。

26、进一步的，所述k值小于10，所述训练集小于500次的循环，对初始模型进行交替融合验证参数寻优，训练集的三维模型分别对底面和侧面做投影，投影图形与mse最小值的交点即为最优解的ac和bc值。

27、进一步的，所述基于交替融合的锂离子电池剩余寿命预测方法具体步骤如下：

28、(1)导入真实值数据，作图；

29、(2)确定训练样本的个数；

30、(3)真实值数据归一化处理；

31、(4)从真实值中划分训练样本；

32、(5)将训练样本进行训练，得到回归值和拟合精度；

33、(7)回归值反归一化处理，作图；

34、(8)将测试样本输入由(5)得到的模型进行预测，得到预测值；

35、(9)预测值反归一化处理，作图。

36、本发明使用部分数据预测数据集后续变化的功能，实现对锂离子电池剩余寿命精准预测。

技术特征：

1.一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述关键参数优化，为采用交叉、梯度和融合预测算法进行交替融合关键参数。

3.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述测试数据为n个锂离子电池的充放电循环测试数据，n≥1。

4.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述归一化处理，采用下述方式：

5.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述的核函数，对于线性情况，电池数据超平面采用线性函数的方式来描述；

6.根据权利要求5所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述适应的核函数，通过模型预测情况选择合适的核函数。

7.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述关键参数，包括ac和bc；

8.根据权利要求7所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述关键参数优化，即对ac和bc值进行参数寻优，在两种以上的初始数据进行分组，一部分作为测试集，另一部分作为验证集；先用测试集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标；通过将初始数据分成k组，将每组数据分别做一次验证集，其余的k-1组数据作为训练集，得到k个模型，分别对每个模型求得最终的验证集的分类准确率，再求各分类准确率的平均值，平均值达到最小时得到最优解。

9.根据权利要求8所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述k值小于10，所述训练集小于500次的循环，对初始模型进行交替融合验证参数寻优，训练集的三维模型分别对底面和侧面做投影，投影图形与mse最小值的交点即为最优解的ac和bc值。

10.根据权利要求1所述一种基于交替融合的锂离子电池剩余寿命预测方法，其特征在于，所述基于交替融合的锂离子电池剩余寿命预测方法具体步骤如下：

技术总结
本发明公开一种基于交替融合的锂离子电池剩余寿命预测方法，首先对电池数据进行采集并进行归一化的处理，在此基础上建立易于收敛的锂离子电池预测模型，建立和使用适应核函数进行交替空间映射与计算，采用多种交叉、梯度和融合等预测算法进行交替融合关键参数优化，通过建立评价体系定量评估模型的预测能力，从而实现对锂离子电池剩余寿命的预测。本发明的预测算法能够有效且高精度地预测锂离子电池当前剩余循环次数，避免了电池在长循环可能出现容量陡降，传统方法无法预判下降趋势，而导致的预测效果变差问题，实现对锂离子电池剩余寿命精准预测。

技术研发人员：徐自强,梁洪豪,吴孟强
受保护的技术使用者：电子科技大学长三角研究院（湖州）
技术研发日：
技术公布日：2024/2/25